Optimisation de la conception et du fonctionnement des stations de traitement des eaux usées

NguyenDinhHuan TV pdf UNIVERSITÉ DE LORRAINE École Doctorale RP2E, Ressources Procédés Produits Environnement Laboratoire Réactions et Génie des Procédés THÈSE Pour l’obtention du titre de Docteur de[.]

UNIVERSITÉ DE LORRAINE École Doctorale RP2E, Ressources Procédés Produits Environnement Laboratoire Réactions et Génie des Procédés THÈSE Pour l’obtention du titre de Docteur de l’Université de Lorraine Spécialité Génie des Procédés et des Produits par Dinh-Huan NGUYEN Soutenue publiquement le 24 mars 2014, devant la commission d’examen Christophe DAGOT Professeur, Université de Limoges Rapporteur Nicolas ROCHE Professeur, Université de Marseille Rapporteur Bent CHACHUAT Professeur, Imperial College, London, UK Examinateur Olivier POTIER Maợtre de Confộrences, Universitộ de Lorraine Examinateur Franỗois LESAGE Mtre de Conférences, Université de Lorraine Examinateur Abderrazak LATIFI Professeur, Université de Lorraine Directeur de thèse Table des matières Table des matières Table des matières i Table des figures vii Table des tableaux xi Nomenclature xiii Introduction générale Chapitre PRÉSENTATION ET MODÉLISATION DES STATIONS DE TRAITEMENT DES EAUX USÉES 1.1 Généralités sur le traitement des eaux usées 1.1.1 Fondement de l’épuration biologique des eaux usées 1.1.2 Procédé de traitement par boues activées 1.1.3 Spécificité des petites stations de traitement 11 1.1.4 Spécificité des grandes stations de traitement 13 1.2 Généralités sur la modélisation des stations d’épuration 14 1.2.1 Présentation des principaux modèles biologiques 14 1.2.2 Modèle ASM1 14 1.2.2.1 Unité de mesure de concentration utilisée 14 1.2.2.2 Processus mis en jeu 15 1.2.2.3 Variables d’état prise en compte dans le modèle ASM1 16 1.3 Station de traitement de petite taille 18 1.3.1 Liste des variables d’état 18 1.3.2 Cinétiques des réactions mises en jeu 19 1.3.3 Taux de conversion et valeurs des paramètres 20 1.3.3.1 Taux de conversion 20 1.3.3.2 Valeurs des paramètres biologiques 20 1.3.4 Bilan de matière dans le réacteur 22 1.3.5 Bilan de matière dans le décanteur 23 1.3.5.1 Modèle réaliste (à couches) 23 1.3.5.2 Modèle simplifié 28 1.3.6 Influents et effluents 29 1.3.6.1 Influents 29 1.3.6.2 Effluents 29 i Table des matières 1.4 Stations d’épuration de grande taille 30 1.4.1 Liste des variables d’état et processus 30 1.4.1.1 Liste des variables d’état 30 1.4.1.2 Cinétiques des réactions mises en jeu 30 1.4.2 Taux de conversion et valeurs des paramètres 31 1.4.2.1 Taux de conversion observés 31 1.4.2.2 Valeurs des paramètres biologiques 32 1.4.3 Bilan de matière dans le réacteur 32 1.4.4 Bilan de matière dans le décanteur 33 1.4.5 Âge des boues dans le système 35 1.4.6 Influents et effluents 37 1.4.6.1 Influents 37 1.4.6.2 Effluents 38 Chapitre MÉTHODE D’OPTIMISATION DYNAMIQUE 39 2.1 Introduction 40 2.2 Position du problème d’optimisation 40 2.2.1 Critère 40 2.2.2 Modèle de procédé 40 2.2.3 Contraintes 41 2.3 Méthodes de résolution 41 2.3.1 Méthodes directes 41 2.3.2 Méthode des sensibilités 42 2.3.2.1 Sensibilités paramétriques 43 2.3.2.2 Description de l’algorithme d’optimisation 45 2.3.2.3 Exemple de détermination des équations de sensibilité 47 2.4 Présentation du logiciel gProms 50 Chapitre SIMULATION ET OPTIMISATION DE STATIONS D’ÉPURATION DE PETITE TAILLE 51 3.1 Description de la station étudiée 52 3.2 Formulation des données d’entrée (identification) 53 3.2.1 Mesures expérimentales 54 3.2.2 Formulation des données d’entrée 55 3.2.3 Comparaison entre les corrélations et les valeurs réellement utilisées par gProms partir de la lecture du fichier de données brutes 57 3.3 Simulation dynamique pour différents modèles de décanteur 59 ii Table des matières 3.3.1 Rappels des modèles du décanteur 59 3.3.2 Résultats de simulation 60 3.4 Influence du modèle du décanteur sur la performance optimale 61 3.4.1 Formulation du problème d’optimisation 62 3.4.2 Résultats d’optimisation 63 3.4.3 Conclusion 65 3.5 Optimisation dynamique de l’énergie d’aération continue 65 3.5.1 Formulation du problème d’optimisation 66 3.5.2 Résultats d’optimisation 66 3.5.3 Comparaison avec le fonctionnement actuel 67 3.6 Amélioration de la station d’épuration 68 3.6.1 Optimisation de la structure proposée 69 3.6.1.1 Cas de non-recyclage interne (Qa = 0) 69 3.6.1.2 Cas du recyclage interne (Qa > 0) 71 3.6.2 Conclusion 73 3.7 Influence de la méthode de réduction de l’azote (alternée ou continue) sur la performance optimale 73 3.7.1 Introduction 73 3.7.2 Formulation du problème d’optimisation 74 3.7.2.1 Cas d’un seul bassin avec aération alternée 74 3.7.2.2 Cas de deux bassins avec aération continue 74 3.7.3 Résultats d’optimisation 74 3.7.3.1 Cas d’un seul bassin avec aération alternée 74 3.7.3.2 Cas de deux bassins avec aération continue 75 3.7.3.3 Comparaison de la consommation énergétique 75 3.8 Conclusion 76 Chapitre SIMULATION ET OPTIMISATION DE STATIONS D’ÉPURATION DE GRANDE TAILLE 77 4.1 Description de la station d’épuration étudiée 78 4.2 Simulation dynamique de la station d’épuration 79 4.2.1 Introduction 79 4.2.2 Simulation 80 4.3 Optimisation de l’énergie d’aération 83 4.3.1 Introduction 83 4.3.2 Problème d’optimisation 84 iii Table des matières 4.3.3 Résultats de l’optimisation 85 4.3.4 Conclusions 87 4.4 Optimisation du coût total 88 4.4.1 Introduction 88 4.4.2 Critère d’optimisation 88 4.4.2.1 Coût d’investissement (CI) 88 4.4.2.2 Coût de fonctionnement (CO) 89 4.4.3 Simulation 91 4.4.4 Formulation du problème d’optimisation 91 4.4.4.1 Cas des variables de décision kLai et Qa 92 4.4.4.2 Cas d’utilisation de toutes les variables de décision sans contrainte sur l’âge des boues 94 4.4.4.3 Cas d’utilisation de toutes les variables de décision avec contrainte sur l’âge des boues 98 4.4.5 Conclusions 100 4.5 Optimisation multicritère 101 4.5.1 Introduction 101 4.5.2 Méthodes utilisées en optimisation multicritère 101 4.5.3 Formulation du problème d’optimisation 104 4.5.4 Résultats d’optimisation 106 4.5.4.1 Cas d’un seul intervalle de temps 106 4.5.4.2 Cas de plusieurs intervalles de temps 107 4.5.5 Conclusions 109 4.6 Optimisation de la conception et du dimensionnement 109 4.6.1 Introduction 109 4.6.2 Revue bibliographique 109 4.6.3 Approche proposée 110 4.6.4 Validation de l’approche proposée 110 4.6.5 Coûts de la station d’épuration 111 4.6.6 Structure et dimensions optimales 112 iv 4.6.6.1 Cas d’un seul bassin 113 4.6.6.2 Cas de bassins 115 4.6.6.3 Cas de bassins 118 4.6.6.4 Cas de bassins 120 Table des matières 4.6.6.5 Cas de bassins 122 4.6.7 Conclusions 124 4.7 Conclusions 125 Chapitre IDENTIFICATION ET OPTIMISATION D’UNE STATION D’ÉPURATION INDUSTRIELLE 127 5.1 Introduction 128 5.2 Modélisation du procédé 128 5.2.1 Choix du modèle 128 5.2.2 Modélisation du procédé 128 5.2.2.1 Modélisation du réacteur biologique 128 5.2.2.2 Modélisation du décanteur 129 5.3 Station d’épuration considéré 129 5.3.1 Configuration de la station de traitement 129 5.3.2 Données expérimentales 130 5.3.3 Bilans global et partiel de matière 130 5.3.3.1 Bilan de matière dans le décanteur primaire 130 5.3.4 État initial de la station d’épuration 132 5.3.4.1 Détermination des coefficients de transfert d’oxygène 132 5.3.4.2 Détermination des concentrations initiales 132 5.4 Identification paramétrique du modèle 132 5.4.1 Analyse d’estimabilité 133 5.4.2 Procédure d’identification paramétrique 137 5.4.2.1 Jeu de paramètres par défaut 137 5.4.2.2 Calcul et analyse d’estimabilité 137 5.4.3 Résultats de l’identification 139 5.4.3.1 Identification avec les données simulées par WEST 139 5.4.3.2 Identification avec les données mesurées 140 5.5 Simulation dynamique 141 5.6 Optimisation dynamique de l’énergie d’aération 144 5.6.1 Problème d’optimisation 144 5.6.2 Résultats de l’optimisation 144 5.6.2.1 Cas d’un intervalle 145 5.6.2.2 Cas de intervalles 146 5.7 Comparaison des configurations des stations BSM1 et Verulam 147 v Table des matières 5.8 Conclusions 150 Conclusions générales et perspectives 152 Bibliographie 156 Annexe A Données de petite station d’épuration 162 Annexe B Données et résultats de la station du Benchmark (BSM1) 163 Annexe C Données expérimentales et résultats de la station Verulam 180 Annexe D Comparaison du coût total entre ASM3 et BSM1 187 vi Table des figures Table des figures Figure 1.1 Étapes du processus de dégradation biologique Figure 1.2 Configuration du procédé de traitement par boues activées Figure 1.3 Étapes du processus de dégradation biologique de l’azote 10 Figure 1.4 Schéma conceptuel du modèle ASM1 15 Figure 1.5 Décomposition de la DCO en variables du modèle ASM1 17 Figure 1.6 Décomposition de l’Azote en variables du modèle ASM1 18 Figure 1.7 Bilans de matière dans les couches du décanteur 25 Figure 1.8 Station du Benchmark 30 Figure 1.9 Numérotation des couches et position de l’alimentation 32 Figure 1.10 Variabilité des données d’entrée par temps sec, pluvieux et orageux 37 Figure 2.1 Représentation schématique de l’algorithme de résolution 46 Figure 2.2 Cas de deux intervalles de temps (N = 2) 48 Figure 3.1 Configuration de la station de traitement biologique étudiée 52 Figure 3.2 Configuration des cycles d’aération (commande par horloges) 53 Figure 3.3 Données expérimentales 55 Figure 3.4 Comparaison des prédictions de la corrélation et des mesures moyennes de la DCO 56 Figure 3.5 Comparaison des prédictions de la corrélation et des mesures moyennes du débit de l’influent Q0 56 Figure 3.6 Comparaison des prédictions de la corrélation et des mesures moyennes des MES 56 Figure 3.7 Comparaison des prédictions de la corrélation et des mesures moyennes de NTK 56 Figure 3.8 Modèle de simulation gProms 57 Figure 3.9 Comparaison entre les mesures expérimentales corrélées du débit Q0 et les valeurs utilisées directement par gProms 58 Figure 3.10 Comparaison entre les mesures expérimentales corrélées de DCO et les valeurs utilisées directement par gProms 58 Figure 3.11 Décanteur avec les modèles simplifié et réaliste 59 Figure 3.12 Comparaison des modèles du décanteur : concentration en DCO 60 Figure 3.13 Comparaison des modèles du décanteur : concentration en DBO5 60 Figure 3.14 Comparaison des modèles du décanteur : concentration en NGL 61 Figure 3.15 Comparaison des modèles du décanteur : concentration en MES 61 Figure 3.16 Séquence d’aération et définition des paramètres d’optimisation 62 vii Table des figures Figure 3.17 Énergie d’aération minimale en fonction du nombre de cycles 63 Figure 3.18 Profils d’aération après optimisation 64 Figure 3.19 Concentrations en NGL de l’effluent 64 Figure 3.20 Profil d’aération optimal 66 Figure 3.21 Concentrations optimales de l’effluent 67 Figure 3.22 Comparaison entre la réalité et l’optimisation 68 Figure 3.23 Station d’épuration avant et après amélioration (V = V1+V2) 69 Figure 3.24 Résultats d’optimisation (cas de Qa = 0) 70 Figure 3.25 Concentrations optimales sur l’effluent (cas de Qa = 0) 70 Figure 3.26 Comparaison entre le fonctionnement actuel et optimisé (cas de Qa = 0) 71 Figure 3.27 Résultats de l’optimisation (cas de Qa > 0) 72 Figure 3.28 Concentrations optimales de l’effluent (cas de Qa > 0) 72 Figure 3.29 Comparaison entre le fonctionnement actuel et optimisé (cas de Qa > 0) 72 Figure 3.30 Profil optimal d’aération dans le cas d’un seul bassin 74 Figure 3.31 Profil optimal d’aération cas de deux bassins 75 Figure 3.32 Comparaison des performances des fonctionnements réels, avec aération alternée et aération continue 75 Figure 4.1 Station d’épuration du Benchmark 78 Figure 4.2 Comparaison entre le débit expérimental et le débit traité de gProms 80 Figure 4.3 Concentrations de l’effluent (temps sec) 82 Figure 4.4 Concentrations de l’effluent (temps pluvieux) 82 Figure 4.5 Concentrations de l’effluent (temps orageux) 83 Figure 4.6 Âge des boues dans le système 83 Figure 4.7 Influence du nombre d’intervalles sur le critère d’optimisation 85 Figure 4.8 Profils d’aération avant et après optimisation 85 Figure 4.9 Énergie consommée dans la station d’épuration 86 Figure 4.10 Concentrations des effluents après optimisation 87 Figure 4.11 Âge des boues après optimisation 87 Figure 4.12 Répartition des coûts avant optimisation (dynamique) 91 Figure 4.13 Coûts optimaux et leur répartition 93 Figure 4.14 Coût total avant et après optimisation 93 Figure 4.15 Concentrations de l’effluent après optimisation 94 Figure 4.16 Âge des boues après optimisation 94 Figure 4.17 Coûts optimaux et leur répartition 96 Figure 4.18 Coût total avant (Benchmark) et après optimisation 96 Figure 4.19 Concentrations de l’effluent après optimisation 97 Figure 4.20 Âge des boues après optimisation 97 viii Table des figures Figure 4.21 Coûts optimaux et leur répartition 99 Figure 4.22 Coût total avant et après optimisation 99 Figure 4.23 Concentrations de l’effluent après optimisation 100 Figure 4.24 Âge des boues après optimisation 100 Figure 4.25 Méthode d’agrégation 102 Figure 4.26 Influence de la valeur w sur l’optimisation (cas d’un intervalle) 106 Figure 4.27 Profils d’ắration pour le point correspond au cỏt total pondéré minimal 107 Figure 4.28 Influence de la valeur w sur l’optimisation (cas de intervalles) 108 Figure 4.29 Profils d’aération pour le point qui correspond au coût total pondéré minimal 108 Figure 4.30 Répartition des coûts de la station BSM1 en fonctionnement (statique) 111 Figure 4.31 Concentrations de l’effluent (statique) avant optimisation 112 Figure 4.32 Superstructures pour une station de traitement des eaux usées 112 Figure 4.33 Superstructure initiale de la station (cas de bassin) 113 Figure 4.34 Structure optimale de la station (cas de bassin) 114 Figure 4.35 Répartition des coûts optimaux (cas de bassin) 115 Figure 4.36 Concentration en NGL de l’effluent après optimisation 115 Figure 4.37 Superstructure initiale de la station (cas de bassins) 115 Figure 4.38 Superstructure optimale de la station (cas de bassins) 117 Figure 4.39 Répartition des coûts optimaux (cas de bassins) 117 Figure 4.40 Superstructure initiale de la station (cas de bassins) 118 Figure 4.41 Superstructure optimale de la station (cas de bassins) 119 Figure 4.42 Répartition des coûts optimaux (cas de bassins) 119 Figure 4.43 Superstructure initiale de la station (cas de bassins) 120 Figure 4.44 Superstructure optimale de la station (cas de bassins) 121 Figure 4.45 Répartition des coûts optimaux (cas de bassins) 121 Figure 4.46 Superstructure initiale de la station (cas de bassins) 122 Figure 4.47 Superstructure optimale de la station (cas de bassins) 123 Figure 4.48 Répartition des coûts optimaux (cas de bassins) 123 Figure 5.1 Schéma de la station d’épuration de Verulam 129 Figure 5.2 Bilan de matière dans le décanteur primaire 131 Figure 5.3 Bilan de matière global dans le système 131 Figure 5.4 Résultats de l’analyse de sensibilité sous Matlab 138 Figure 5.5 Résultats après l’identification 140 Figure 5.6 Comparaison des mesures expérimentales et des prédictions du modèle obtenues l’aide des valeurs par défaut et identifiées des paramètres 141 Figure 5.7 Profils d’aération de la station en fonctionnement statique 142 ix Table des figures Figure 5.8 Concentrations simulées de l’effluent en utilisant les valeurs identifiées des paramètres 144 Figure 5.9 Profils optimaux d’aération 145 Figure 5.10 Énergie consommée dans l’aération de la station d’épuration dans le cas d’un seul intervalle 145 Figure 5.11 Concentrations de l’effluent après optimisation dans le cas d’un seul intervalle 146 Figure 5.12 Profils optimaux d’aération (cas de intervalles) 146 Figure 5.13 Énergie consommée dans la station d’épuration (cas de intervalles) 147 Figure 5.14 Concentrations de l’effluent après optimisation (cas de intervalles) 147 Figure B.1 Concentrations dans le bassin (temps sec) 164 Figure B.2 Concentrations dans le décanteur (temps sec) 166 Figure B.3 Concentrations de l’effluent (temps sec) 166 Figure B.4 Concentrations dans le bassin (temps pluvieux) 168 Figure B.5 Concentrations dans le décanteur (temps pluvieux) 169 Figure B.6 Concentrations de l’effluent (temps pluvieux) 170 Figure B.7 Concentrations dans le bassin (temps orageux) 171 Figure B.8 Concentrations dans le décanteur (temps orageux) 173 Figure B.9 Concentrations de l’effluent (temps orageux) 173 Figure C.1 Débit d’entrée 180 Figure C.2 Concentrations en SI et SS d’entrée 180 Figure C.3 Concentrations en XI et XS d’entrée 180 Figure C.4 Concentrations en SNH et SND d’entrée 181 Figure C.5 Concentrations en XND et SO d’entrée 181 Figure C.6 Données expérimentales sur l’effluent 182 Figure C.7 Résultats des concentrations de l’effluent après l’identification 185 Figure C.8 Concentration en DCO sur l’effluent après l’identification 185 Figure C.9 Concentration en DBO5 sur l’effluent après l’identification 186 Figure C.10 Concentration en NGL sur l’effluent après l’identification 186 Figure C.11 Concentration en MES sur l’effluent après l’identification 186 x Table des taleaux Table des tableaux Tableau 1.1 Variables d’état du modèle de dégradation biologique 18 Tableau 1.2 Paramètres stœchiométriques 21 Tableau 1.3 Paramètres cinétiques 21 Tableau 1.4 Paramètres du modèle de décantation 24 Tableau 1.5 Concentrations dans l’effluent traité 28 Tableau 1.6 Concentrations dans le recyclage 28 Tableau 2.1 Comparaison des méthodes de calcul du gradient 46 Tableau 3.1 Paramètres du débit et des concentrations entrantes 57 Tableau 3.2 Paramètres identifiés 62 Tableau 3.3 Résultat d’aération pour le modèle réaliste après optimisation (heure) 65 Tableau 3.4 Résultat d’aération pour le modèle simplifié après optimisation (heure) 65 Tableau 3.5 Valeurs optimales de kLa dans le cas d’un seul bassin (h-1) 75 Tableau 4.1 Valeurs du système 78 Tableau 4.2 Débits moyens 79 Tableau 4.3 Données moyennes d’entrée du système 80 Tableau 4.4 Valeurs des variables de fonctionnement de la station 81 Tableau 4.5 Valeurs d’aération après optimisation 86 Tableau 4.6 Paramètres pour le coût d’investissement 89 Tableau 4.7 Limites maximales pour les variables de l’opération (Alex et al., 2001) 90 Tableau 4.8 Coefficients des coûts de fonctionnement (Alasino et al., 2007) 90 Tableau 4.9 Résultat des coûts avant optimisation 91 Tableau 4.10 Estimation initiale des variables de décision 92 Tableau 4.11 Profils optimaux des variables de décision 92 Tableau 4.12 Répartition des coûts après optimisation 93 Tableau 4.13 Résumé des coûts avant et après optimisation 93 Tableau 4.14 Variables d’état au début 95 Tableau 4.15 Valeurs optimales des variables de décision 95 Tableau 4.16 Coûts du système après optimisation 95 Tableau 4.17 Résumé des coûts avant et après optimisation 96 Tableau 4.18 Profils optimaux des variables de décision 98 Tableau 4.19 Coûts du système après optimisation 99 Tableau 4.20 Résumé des coûts avant et après optimisation 99 Tableau 4.21 Coefficients des coûts (Alasino et al., 2007) 105 xi Table des tableaux Tableau 4.22 Valeurs des ‫ ݅ܤ‬ 105 Tableau 4.23 Variables optimales (cas d’un intervalle) 107 Tableau 4.24 Valeurs des variables de décision après optimisation 108 Tableau 4.25 Résultats après optimisation (cas de bassin) 114 Tableau 4.26 Résultats après optimisation (cas de bassins) 116 Tableau 4.27 Résultats après optimisation (cas de bassins) 118 Tableau 4.28 Résultats après optimisation (cas de bassins) 121 Tableau 4.29 Résultats après optimisation (cas de bassins) 123 Tableau 4.30 Comparaison des coûts avant et après optimisation 124 Tableau 5.1 Dimensions moyennes de la station 130 Tableau 5.2 Concentrations initiales dans les bassins 132 Tableau 5.3 Algorithme utilisé pour l’analyse de l’estimabilité 136 Tableau 5.4 Paramètres et leurs limites dans le modèle (ASM1) 137 Tableau 5.5 Rangement des paramètres dans l’ordre décroissant d’estimabilité 138 Tableau 5.6 Résultats des paramètres identifiés 139 Tableau 5.7 Résultats des paramètres identifiés 141 Tableau 5.8 Concentrations initiales dans les bassins 142 Tableau 5.9 Comparaison des performances des stations de BSM1 et Verulam 148 Tableau A.1 Débit et charge incidents moyens sur 24 heures (4/09 - 10/09/1996) 162 Tableau A.2 Débit et charge incidents moyens sur heures (journée du 10/09/1996) 162 Tableau B.1 Variables de fonctionnement (cas d’un intervalle) 174 Tableau B.2 Profils d’aération (cas de intervalles) 174 Tableau B.3 Coefficients kLai dans les bassins (cas de intervalles) 178 xii Nomenclature Nomenclature o Apport d’oxygène ba ,d a Paramètre de normalisation de l’AE Aération énergétique Algorithme Génétique Activated Sludge Model n°1 Activated Sludge Model n°2 Activated Sludge Model n°2D Activated Sludge Model n°3 Durée d’aération au cours du ݇ °௠௘ cycle d’aération Coefficients de fonction du débit entrée Poids de la concentration en DBO5 dans EQ Poids de la concentration en DCO dans EQ Poids de la concentration en NO dans EQ Poids de la concentration en Nkj dans EQ Poids de la concentration en SS dans EQ Coefficient d’aération Benchmark Simulation Model n°1 Taux de mortalité des bactéries autotrophes Taux de mortalité des bactéries hétérotrophes Paramètres de l’aérateur bips , dips Paramètres des pompes bset , d set Paramètres du décanteur ܾ௦௥ ,ߜ௦௥ bt , d t Paramètres de recyclage Paramètres du volume BCI Boundary Conditions AE* AE AG ASM ASM ASM2D ASM3 ak ak , bk BDBO5 BDCO BNO BNkj BSS B BSM bA bH ci CVI CVP CEQ CCO C *EQ * CCO DBO5 DCO EQ f (1) f (2) fi fi ( x* ) fi* f ns fp H 2O H CI CI aérateur Iteration Constantes qui mettent la même échelle les différents objectifs Control Vector Iteration Control Vector Parametrization Coût de la qualité de l’effluent Coût de fonctionnement Paramètre de normalisation de l’EQ Paramètre de normalisation de l’CO Demande biochimique en oxygène Demande chimique en oxygène Effluent quality Période de fonctionnement des turbines Périodes d’arrêt des turbines Objectif d’optimisation Solution optimale associée la fonction objectif ݂௜ Paramètre de normalisation de l’objectif ݂௜ Fraction non décantable de composés particulaires en suspension Fraction de DCO inerte issue du décès de la biomasse Eau Hauteur du décanteur Coût d’investissement Cỏt d’investissement de l’ắrateur xiii Nomenclature CI décanteur CI iT CI pompe CI réacteur CI recyclage CItotal id CO COaérateur COboue CO pompe COtotal CT ICRS IVP IDP Js K NH , A K NH ,H K NO KO , A KO , H KS xiv Coût d’investissement du décanteur Coût d’investissement Coût d’investissement des pompes entrées Coût d’investissement du réacteur Coût d’investissement du recyclage Coût total d’investissement Taux d’intérêt (taux d’actualisation) Coût de fonctionnement Coût de fonctionnement du réacteur Coût de fonctionnement des boues Coût de fonctionnement des pompes Total des coûts de fonctionnement Coût Total Integrated Controlled Random Search Initial Value Problem Itérative Dynamique Programming Flux solide dans le décanteur Constante d’affinité en ammoniaque des autotrophes Constante d’affinité en ammoniaque des hétérotrophes Constante d’affinité en nitrate des hétérotrophes dénitrifiant Constante d’affinité en oxygène des autotrophes Constante d’affinité en oxygène des hétérotrophe Constante d’affinité en substrat des hétérotrophes KX kL a kh ka k MES MIDO MINLP MVS NGL NTK N2 Constante d’affinité en substrat particulaire pour l’hydrolyse Coefficient de transfert d’oxygène dissous Taux maximal spécifique d’hydrolyse Taux d’ammonification Durée du kème cycle d’aération Matières en suspension Mixed Integer Dynamic Optimization Mixed Integer Non-Linear Progamming Matière Volatiles en Suspension Azote total Azote dit de Kjeldahl Azote gaz NH 4+ Azote ammoniacal NO2- Nitrite NO3- Nitrate Na Indice de la couche d’alimentation Nombre de cycles Nc N cc NLP O2 ODEs PAO PE POM POM w PIC psdec Nombre de couches du décanteur Non-Linear Programming Oxygène Ordinary Differential Equations Polyphosphate Accumulating Organisms Energie des pompes Optimisation multicritère Optimisation monocritère Proportional Integral Derivative Fraction des différents composés solubles par Nomenclature Qo rapport aux composés solubles totaux ܵ௧ Fraction des différents composés particulaires par rapport aux composés particulaires totaux ܺ௧ Débit entrée du réacteur Qa Débit de recyclage interne Qe Débit effluent Qf Qk Débit entrée dans le décanteur Débit entrant au décanteur primaire Débit du kème bassin Qr Débit de recyclage externe Qrec Qu Débit de recyclage Débit d’extraction du décanteur primaire Débit d’extraction du décanteur secondaire Débit sous le décanteur Qw Débit d’extraction de boues RPA Réacteur Parfaitement Agité Paramètre de sédimentation pour les suspensions fortement concentrées Taux de conversion pxdec Qin Qs1 Qs rh ri rp i S ALK SI S ND S NH S NO Paramètre de sédimentation pour les suspensions faiblement concentrées Taux de conversion de chaque composé Alcalinité Matière organique soluble inerte Azote organique soluble biodégradable Azote sous forme d’ammoniaque Azote sous forme de nitrate et de nitrite SO Oxygène dissous SOsat t0 Concentration en oxygène dissous saturation Substrat facilement biodégradable Concentration soluble totale dans le décanteur Matrice des coefficients de sensibilité de paramètres Successive Quadratic Programming Temps de calcul Temps au début tb Temps d’arrêt de l’aération tc Temps du début de l’aération Temps la fin SS Stdec sij SQP T tf OFF tmin ON tmin TPBVP vs V Vr Durée d’arrêt minimale de l’aérateur Durée de fonctionnement minimale de l’aérateur Two Point Boundary Value Problem Vitesse de sédimentation vdn Volume Volume réactionnel Vitesse du flux descendant vup Vitesse du flux ascendant n0 Vitesse maximale théorique de sédimentation Vitesse maximale effective de sédimentation Vector Evaluated Genetic Algorithm Biomasse active autotrophe n 0' VEGA X B, A X B, H XI X ND Biomasse active hétérotrophe Matière organique particulaire inerte Azote organique particulaire biodégradable xv Nomenclature XP XS Xf Xm X Xt X tdec X tmax xba x dec x rec x rej YA YH Za Zf Zi Zm Zr xvi Productions particulaires viennent de biomasse décomposée Substrat lentement biodégradable Concentration MES entrant au décanteur Concentrations particulaires dans le décanteur Concentration en MES minimale Concentration des solides en suspension Concentration particulaire dans le décanteur Concentration limite des solides en suspension Concentrations dans le bassin Concentrations dans le décanteur Concentrations du recyclage Zw Concentration d’extraction za Profondeur de l’alimentation du décanteur Épaisseur d’une couche de décanteur WasteWater Treatment Plants Coefficient de coût de fonctionnement Coefficient du coût de la qualité de l’effluent Paramètre du coût de traitement des boues Facteur de correction pour l’hydrolyse en phase anoxie Taux de croissance spécifique maximal des autotrophes Taux de croissance spécifique maximal des hétérotrophes Cinétique du modèle de dégradation Poids de l’objectif z WWTPs aE a EQ a SLD hh mA mH ri Concentrations de l’effluent Rendement de conversion des autotrophes Rendement de conversion des hétérotrophes Concentration de recyclage interne Concentration entrant au décanteur Concentrations dans le bassin Concentrations solubles dans le décanteur Concentration du recyclage wi F G J Fs Fi Flux particulaire total Coefficient pour la valeur actuelle Taux de compression des boues dans le décanteur Flux particulaire de sédimentation Flux particulaire associé au flux de liquide OPTIMISATION DE LA CONCEPTION ET DU FONCTIONNEMENT DES STATIONS DE TRAITEMENT DES EAUX USÉES Mots clés : traitement des eaux usées, boues activées, modélisation et simulation, optimisation dynamique, conception et fonctionnement optimaux Ce travail de thèse constitue le prolongement direct des travaux de thèse Chachuat (2001) sur l'optimisation dynamique et la commande optimale des stations de traitement de petite taille L'objectif est d'aller plus loin en s'intéressant aux dimensionnement et fonctionnement optimaux des stations de traitement des eaux usées de toute taille Ainsi, dans une première étape, l'optimisation des stations de traitement de petite taille a été abordée Contrairement ce qui a été fait jusqu'à maintenant : (i) l'aération n'est plus alternée, mais continue, (ii) le décanteur n'est plus considéré comme parfait, mais son fonctionnement est modélisé l'aide d'une série de 10 couches de décantation, (iii) la méthode d'optimisation développée est fondée sur la méthode des sensibilités implémentée au sein du logiciel de simulation et optimisation dynamiques gProms, utilisé dans toute la thèse L'influence du modèle du décanteur sur la minimisation de l'énergie d'aération a été particulièrement analysée Dans une deuxième étape, les stations de traitement de grande taille sont considérées Plus spécifiquement, le modèle benchmark développé par le réseau européen COST a été utilisé pour décrire leur fonctionnement Un « foreignobject » a été développé pour que la simulation et l'optimisation du fonctionnement de ces stations soient possibles sous gProms L'optimisation a notamment montré que la consommation d'énergie d'aération pouvait être réduite d'au moins de 30% par rapport au fonctionnement actuel de ces stations Dans une troisième étape, l'optimisation du dimensionnement des stations de traitement de grande taille a été étudiée Une superstructure a ainsi été définie avec plusieurs (cinq) réacteurs et un décanteur Toutes les possibilités de recyclage et de court-circuit entre les réacteurs d'une part et entre les réacteurs et le décanteur d'autre part sont prises en compte L'objectif était de déterminer la meilleure structure et les valeurs optimales des volumes des réacteurs qui permettent de minimiser le coût total tout en respectant les contraintes réglementaires sur les rejets.Par ailleurs, une optimisation multicritère de la station optimale résultante a été réalisée Elle a permis de déterminer l'ensemble de Pareto des solutions qui minimisent la consommation énergétique (d'aération et de pompage) et maximisent la qualité de l'effluent La quatrième et dernière partie de ce travail s'intéresse la modélisation, simulation et optimisation de la station de traitement de Verulam près de Durban en Afrique du Sud Des mesures expérimentales ont été réalisées sur cette station et le modèle ASM1 a été utilisé pour décrire son fonctionnement Une analyse d'estimabilité des paramètres a été d'abord réalisée pour déterminer les paramètres du modèle qui peuvent être estimés partir des mesures expérimentales disponibles Les paramètres estimables ont ensuite été identifiés l'aide de gProms Le modèle ainsi identifié a été validé et ensuite utilisé pour optimiser le fonctionnement énergétique de cette station OPTIMIZATION OF THE DESIGN AND OPERATION OF WASTEWATER TREATMENT PLANTS Keywords: wastewater treatment, activated sludge, modeling and simulation, dynamic optimization, optimal design and operation This work is a direct extension of the PhD thesis of Chachuat (2001) on dynamic optimization and optimal control of small size wastewater treatment plants The objective is to go further by focusing on optimal design and operation of wastewater treatment plants of any size Thus, in a first part, optimization of small size wastewater treatment plants was studied Contrary to what has been done so far: (i) the aeration is no longer alternating, but continuous, (ii) the settler is not considered perfect, but its operation is modeled using a series of 10 sedimentation layers, (iii) the optimization approach developed is based on the method of sensitivities implemented wthin the dynamic simulation and optimization software gProms, used throughout this work The influence of the settler model on the minimization of aeration energy was particularly investigated In a second part , the large size treatment plants are considered More specifically, the benchmark model developed by the European network COST was used to describe their operation A "foreign object" was developed in order to make the simulation and optimization of these plants possible using gProms The optimisation showed that the aeration energy consumption could be reduced by at least 30 % compared to the current operation of these plants In a third part, the optimization of the design of the wastewater treatment plant was studied A superstructure has been defined with several (five) reactors and a settler All the possibilities of recycling and by-passes between the reactors on the one hand and between the reactors and the settler on the other are considered The objective was to determine the best structure and the optimal values of the reacter volumes that minimize the net present value while respecting the regulatory constraints On the other hand, a multi-objective optimization problems of the treatment plant was carried out It allawed to determine the Pareto set of solutions that minimize the energy consumption (pumping and aeration) and maximize the effluent quality The fourth and last part of this work focuses on modeling, simulation and optimization of the treatment plant of the city of Verulam in the area of Durban in South Africa Experimental measurements were carried out on the plant and the ASM1 model was used to describe its operation An estimability analysis was first performed in order to determine the model parameters that can be estimated from the available experimental measurements The estimable parameters were then identified using gProms The identified model was validated and then used to optimize the energy function of this plant